Deep Learning-Based Simultaneous Separation of Overlapping Projection Data and Attenuation and Scatter Correction for Multi-Pinhole SPECT

Stellen Sie sich vor, Sie versuchen, ein perfektes Foto von einem geheimen Schatz zu machen, der in einer nebligen, dickwandigen Höhle verborgen ist. In der Welt der medizinischen Bildgebung ist dieser „Schatz“ ein winziges Signal eines radioaktiven Tracers im Körper eines Patienten, und die „Kamera“ ist eine Maschine namens SPECT (Single-Photon Emission Computed Tomography). Normalerweise verwenden Ärzte für ein klares Bild einen speziellen Filter namens Kollimator, der wie eine Reihe von winzigen Tunneln wirkt, durch die nur Strahlen des Lichts (oder in diesem Fall Gammastrahlen) in geraden Linien passieren können. Aber hier liegt der Haken: Um ein wirklich scharfes Bild zu erhalten, benötigt man sehr viele dieser Tunnel. Wenn man zu viele Tunnel eng aneinanderpackt, beginnen sich ihre Sichtfelder zu überschneiden, wie beim Blick durch ein Kaleidoskop, bei dem die Muster ineinanderfließen und ein verwirrendes Durcheinander ergeben. Zudem absorbieren und streuen die Höhlenwände (der Körper des Patienten) die Strahlen, was das Bild verschwommen und lichtarm macht. Jahrzehntelang erforderte die Behebung dieses verschwommenen, überlappenden Chaos eine zweite, gefährliche Röntgenaufnahme, um die Höhlenwände abzubilden, was zusätzliche Strahlung und Kosten verurselte. Wissenschaftler suchen seit langem nach einem Weg, das Chaos zu entwirren und den Nebel zu lichten, ohne diese zusätzliche Röntgenaufnahme, in der Hoffnung, die Kamera schneller, günstiger und sicherer für alle zu machen.

Dieses Paper stellt einen cleveren neuen Trick unter Verwendung einer Art künstlicher Intelligenz vor, die als Convolutional Neural Network (CNN) bekannt ist – vergleichbar mit einem superintelligenten digitalen Detektiv, der darauf trainiert wurde, visuelle Rätsel zu lösen. Die Forscher, die mit einem stationären SPECT-System arbeiteten, das mit einem massiven Array von 44 Pinholes (winzigen Tunneln) ausgestattet war, standen vor einem Doppelproblem: Die Ansichten aus diesen 44 Löchern überschnitten sich wie ein verhedderter Wollknäuel, und die Strahlen wurden durch den Körper des Patienten verzerrt. Anstatt zu versuchen, den Wollknäuel mit komplexer Mathematik, die ewig dauert, zu entwirren, brachten sie ihrem KI-Detektiv ein neues Spiel bei. Sie fütterten die KI mit einem „unordentlichen“ Input: den überlappenden, verschwommenen und verrauschten Daten, die durch die Simulation entstehen, wie Gammastrahlen in einem Gehirn reflektiert und absorbiert werden. Dann zeigten sie der KI das „perfekte“ Ziel: wie das Bild aussehen sollte, wenn es keine Überlappungen, keine Unschärfe und kein Rauschen gäbe. Durch das Üben an tausenden dieser simulierten Gehirnfälle lernte die KI, den verhedderten Wollknäuel augenblicklich in ordentliche, einzelne Fäden zu trennen und gleichzeitig den Nebel und das Rauschen wegzuwischen.

Die Ergebnisse dieser Simulation waren sehr vielversprechend. Als die Forscher ihre KI auf Gehirnbilder testeten, konnte sie die überlappenden Projektionen der 44 Pinholes erfolgreich entwirren und die physikalischen Verzerrungen korrigieren, ohne dass zusätzliche Röntgenaufnahmen nötig waren. Die KI erzeugte Bilder, die signifikant klarer und genauer waren als jene, die mit älteren Methoden erstellt wurden. Beispielsweise erreichte die neue Methode ein „Peak Signal-to-Noise Ratio“ (ein Maß für die Bildklarheit) von 18,38 ± 0,79 dB, was besser war als die 15,54 ± 1,35 dB eines Systems mit nur 11 Pinholes (bei dem keine Überlappung auftritt) und den 15,93 ± 1,12 dB einer Standard-Fan-Beam-Kamera. Die Studie verglich ihren Ansatz auch mit einer traditionellen Technik namens Moore-Korrekturmethode; der KI-Ansatz lieferte wesentlich schärfere Bilder mit weniger Fehlern und erreichte einen Normalized Mean Squared Error (NMSE) von 0,18 ± 0,02 im Vergleich zu 0,24 ± 0,06 bei dem 11-Pinhole-Setup.

Es ist jedoch wichtig zu bedenken, dass diese Ergebnisse aus Computersimulationen stammen und noch nicht von echten Patienten erhoben wurden. Die Forscher simulierten ein Gehirn mit einer spezifischen Menge eines radioaktiven Tracers (370 MBq) und verwendeten eine virtuelle Kamera mit 44 Pinholes. Sie fanden heraus, dass die KI zwar mit den „unordentlichen“ Daten aller 44 Pinholes umgehen konnte, aber am besten funktionierte, wenn sich die Kamera nur ein winziges Stück bewegte (ein „quasi-stationäres“ Setup, bei dem die Detektoren einmal um 60 Grad rotierten), was half, die verbleibenden Artefakte weiter zu reduzieren. Das Paper schließt die Idee explizit aus, dass man einen separaten CT-Scan benötigt, um das Bild zu korrigieren; die KI lernte, die „Attenuationskorrektur“ (das Korrigieren des Nebels) eigenständig durchzuführen. Während die Methode großes Potenzial für die Bildgebung des Gehirns zeigte, wo die „Höhlenwände“ relativ gleichmäßig sind, merken die Autoren an, dass die Anwendung auf andere Körperteile wie das Herz, wo die Dichte stark variiert, schwieriger sein könnte. Letztendlich deutet diese Studie darauf hin, dass eine kluge KI Ärzten bald ermöglichen könnte, hochsensible Multi-Pinhole-Kameras zu nutzen, um hochwertige, quantitative Gehirnbilder schneller und ohne die zusätzliche Strahlendosis eines CT-Scans zu erhalten, aber es sind weitere Tests mit echten menschlichen Daten erforderlich, um zu bestätigen, ob diese Magie in der realen Welt funktioniert.